Se trabajará sobre un dataset del e-commerce brasileño Olist Store.
Se tiene información de pedidos entre los años 2016 a 2018.
Los datos permiten analizar un pedido desde múltiples dimensiones: desde el estado del pedido, el precio, el pago y el rendimiento del proceso de entrega, los atributos del producto y finalmente las revisiones escritas por los clientes.
Se cuenta con un conjunto de datos de geolocalización que relaciona los códigos postales brasileños con las coordenadas latitud y longitud.
Ejemplo de un producto en la pagina de Olist
Explorando Clientes¶
Este conjunto de datos tiene información sobre el cliente y su ubicación. Usarlo para identificar clientes únicos en el dataset de pedidos/ordenes y para encontrar la ubicación de entrega de pedidos.
En este sistema, cada pedido se asigna a un cliente único. Esto significa que el mismo cliente obtendrá diferentes ID para diferentes pedidos. El propósito de tener un cliente_unique_id en el conjunto de datos es permitir identificar a los clientes que hicieron recompras en la tienda. De lo contrario, encontraría que cada pedido tiene un cliente diferente asociado.
La tabla de Clientes comprende las siguientes columnas:
customer_id: clave de la orden de compra del dataset. Cada orden tiene un unico customer_id.
customer_unique_id: Identificador unico del cliente.
customer_zip_code_prefix: Primeros cinco dígitos del código postal del cliente.
customer_city: Nombre de la ciudad del cliente.
customer_state: Nombre del estado donde se encuentra el cliente
info_clientes()
Se tiene un total de 99441 filas y 5 columnas No se encuentran valores nulos
| customer_id | customer_unique_id | customer_zip_code_prefix | customer_city | customer_state | |
|---|---|---|---|---|---|
| 0 | 06b8999e2fba1a1fbc88172c00ba8bc7 | 861eff4711a542e4b93843c6dd7febb0 | 14409 | franca | SP |
| 1 | 18955e83d337fd6b2def6b18a428ac77 | 290c77bc529b7ac935b93aa66c333dc3 | 9790 | sao bernardo do campo | SP |
| 2 | 4e7b3e00288586ebd08712fdd0374a03 | 060e732b5b29e8181a18229c7b0b2b5e | 1151 | sao paulo | SP |
distribucion_clientes()
Se encuentran clientes de 4119 diferentes ciudades distribuidos en 27 estados de los cuales el 41.98 % se encuentra en Sao Paulo
Explorando Vendedores¶
Este dataset incluye datos sobre los vendedores que cumplieron los pedidos realizados en Olist. Usarlo para encontrar la ubicación del vendedor e identificar qué vendedor cumplió cada producto.
La tabla de Productos comprende las siguientes columnas:
seller_id:Identificador unico del vendedor.
seller_zip_code: Primeros 5 dígitos de código postal del vendedor.
seller_city: Nombre de la ciudad del vendedor.
seller_state: Nombre del estado donde vive el vendedor.
info_vendedores()
Se tiene un total de 3095 filas y 4 columnas No se encuentran valores nulos
| seller_id | seller_zip_code_prefix | seller_city | seller_state | |
|---|---|---|---|---|
| 0 | 3442f8959a84dea7ee197c632cb2df15 | 13023 | campinas | SP |
| 1 | d1b65fc7debc3361ea86b5f14c68d2e2 | 13844 | mogi guacu | SP |
| 2 | ce3ad9de960102d0677a81f5d0bb7b2d | 20031 | rio de janeiro | RJ |
grafico_vendedores()
El 59.74% de los vendedores se encuentran en SP (Sao Pablo) y el resto se encuentran distribuidos en los demas 22 estados
Explorando Geolocalizacion¶
Este conjunto de datos tiene información con códigos postales brasileños y sus coordenadas LAT/LONG. Usarlo para trazar mapas y encontrar distancias entre vendedores y clientes.
La tabla de Geolocalizacion comprende las siguientes columnas:
geolocation_zip_code_prefix: Primeros cinco dígitos del código postal del cliente
geolocation_lat: latidud
geolocation_lng: Longitud
geolocation_city: Ciudad
geolocation_state: Estado
info_geolocalizacion()
Se tiene un total de 1000163 filas y 5 columnas No se encuentran valores nulos
| geolocation_zip_code_prefix | geolocation_lat | geolocation_lng | geolocation_city | geolocation_state | |
|---|---|---|---|---|---|
| 0 | 1037 | -23.545621 | -46.639292 | sao paulo | SP |
| 1 | 1046 | -23.546081 | -46.644820 | sao paulo | SP |
| 2 | 1046 | -23.546129 | -46.642951 | sao paulo | SP |
Chequeamos Outliers.¶
La mayor parte del país se halla dentro del hemisferio sur, entre los paralelos 5.5 de latitud N, y los -34 de latitud S; y entre los meridianos que señalan los -32 y los -74 de longitud.
outiers_geo()
Luego del analisis se encontraron 31 Outliers
Normalizamos la tabla Geolocalizacion corrigiendo los outliers con Geopy para luego graficar el mapa de clientes
clientes = clientes_etl(clientes)
geoloc_filtrado.head()
| Id_Geolocalizacion | zip_code_prefix | Latitud | Longitud | Ciudad | Estado | |
|---|---|---|---|---|---|---|
| 0 | 0 | 1001 | -23.550190 | -46.634024 | sao paulo | SP |
| 1 | 1 | 1002 | -23.548146 | -46.634979 | sao paulo | SP |
| 2 | 2 | 1003 | -23.548994 | -46.635731 | sao paulo | SP |
| 3 | 3 | 1004 | -23.549799 | -46.634757 | sao paulo | SP |
| 4 | 4 | 1005 | -23.549456 | -46.636733 | sao paulo | SP |
map_customers()
mapCustomers
¿De dónde están los clientes activos?:
Explorando Items¶
Este dataset incluye datos sobre los elementos comprados dentro de cada pedido.
La tabla de Items comprende las siguientes columnas:
order_id: Identificador unico de la orden de compra.
order_item_id: número secuencial de identificación de elementos incluidos en la misma orden.
product_id: Identificador unico del producto
seller_id: Identificador unico del vendedor
shipping_limit_date: Muestra la fecha de límite de envío del vendedor para manejar el pedido con el socio logístico.
price: Precio del item.
freight_value: valor de flete (si un pedido tiene más de un elemento, el valor del flete se divide entre los elementos)
info_items()
Se tiene un total de 112650 filas y 7 columnas No se encuentran valores nulos
| order_id | order_item_id | product_id | seller_id | shipping_limit_date | price | freight_value | |
|---|---|---|---|---|---|---|---|
| 0 | 00010242fe8c5a6d1ba2dd792cb16214 | 1 | 4244733e06e7ecb4970a6e2683c13e61 | 48436dade18ac8b2bce089ec2a041202 | 2017-09-19 09:45:35 | 58.9 | 13.29 |
| 1 | 00018f77f2f0320c557190d7a144bdd3 | 1 | e5f2d52b802189ee658865ca93d83a8f | dd7ddc04e1b6c2c614352b383efe2d36 | 2017-05-03 11:05:13 | 239.9 | 19.93 |
| 2 | 000229ec398224ef6ca0657da4fc703e | 1 | c777355d18b72b67abbeef9df44fd0fd | 5b51032eddd242adc84c38acab88f23d | 2018-01-18 14:48:30 | 199.0 | 17.87 |
grafico_items()
El 75% de los precios esta por debajo de R$134.90
Explorando Medio de pago¶
Este dataset incluye datos sobre las opciones de pago de los pedidos.
La tabla de Metodo de Pago comprende las siguientes columnas:
order_id: Identificador unico de la orden de compra.
payment_sequential: Un cliente puede pagar un pedido con más de un método de pago. Si lo hace, se creará una secuencia.
payment_type: Metodo de pago elegido por el cliente
payment_installments: Número de cuotas elegidas por el cliente.
payment_value: valor de la transacción.
info_metodo_de_pago()
Se tiene un total de 103886 filas y 5 columnas No se encuentran valores nulos
| order_id | payment_sequential | payment_type | payment_installments | payment_value | |
|---|---|---|---|---|---|
| 0 | b81ef226f3fe1789b1e8b2acac839d17 | 1 | credit_card | 8 | 99.33 |
| 1 | a9810da82917af2d9aefd1278f1dcfa0 | 1 | credit_card | 1 | 24.39 |
| 2 | 25e8ea4e93396b6fa0d3dd708e76c1bd | 1 | credit_card | 1 | 65.71 |
grafico_medio_de_pago()
grafico_cuotas()
El 75% de los clientes pago en 4 cuotas o menos y la mayoria de los clientes prefieren pagar en una cuota (el 50.5%)
Explorando Revisiones de los clientes¶
Después de que un cliente compra el producto en Olist Store, se notifica al vendedor para cumplir ese pedido. Una vez que el cliente recibe el producto, o la fecha de entrega estimada, el cliente recibe una encuesta de satisfacción por correo electrónico donde puede dar una nota para la experiencia de compra y escribir algunos comentarios.
La tabla de Reviews comprende las siguientes columnas:
review_id: Identificador unico de la revision.
order_id: Identificador unico de la orden de compra.
review_score: Nota que varía de 1 a 5 dada por el cliente en una encuesta de satisfacción.
review_comment_title: Título de comentario de la revisión dejada por el cliente, en portugués.
review_comment_message: Mensaje de comentario de la revisión dejada por el cliente, en portugués.
review_creation_date: Muestra la fecha en que se envió la encuesta de satisfacción al cliente.
review_answer_timestamp: Muestra dia y hora de la encuesta de satisfacción.
info_reviews()
Se tiene un total de 99224 filas y 7 columnas
| review_id | order_id | review_score | review_comment_title | review_comment_message | review_creation_date | review_answer_timestamp | |
|---|---|---|---|---|---|---|---|
| 0 | 7bc2406110b926393aa56f80a40eba40 | 73fc7af87114b39712e6da79b0a377eb | 4 | NaN | NaN | 2018-01-18 | 2018-01-18 21:46:59 |
| 1 | 80e641a11e56f04c1ad469d5645fdfde | a548910a1c6147796b98fdf73dbeba33 | 5 | NaN | NaN | 2018-03-10 | 2018-03-11 03:05:13 |
| 2 | 228ce5500dc1d8e020d8d1322874b6f0 | f9e4b658b201a9f2ecdecbb34bed034b | 5 | NaN | NaN | 2018-02-17 | 2018-02-18 14:36:24 |
Aqui nos encontramos valores nulos en el mensaje de las revisiones y en el titulo de la revision. Pero el score de la revision no tiene nulos. Es un valor numerico entre 1 y 5
grafico_reviws()
El 57.78% de las revisiones corresponden a 5 y el 11.51% a 1
Explorando Ordenes de compra¶
Este es el conjunto de datos principal. De cada pedido se puede encontrar toda la otra información.
La tabla de ordenes comprende las siguientes columnas:
order_id: Identificador unico del orden de compra
customer_id: clave de la orden de compra. Cada orden tiene un unico customer_id.
order_status: Referencia del estado de la orden (entregada, enviada, etc).
order_purchase_timestamp: Muestra dia y hora de la compra.
order_approved_at: Muestra dia y hora del pago aprobado
order_delivered_carrier_date: Muestra fecha y hora de entregado el pedido al transportista.
order_delivered_customer_date: Muestra la fecha real de entrega del pedido al cliente.
order_estimated_delivery_date: Muestra la fecha de entrega estimada que se informó al cliente en el momento de compra.
info_ordenes()
Se tiene un total de 99441 filas y 8 columnas
| order_id | customer_id | order_status | order_purchase_timestamp | order_approved_at | order_delivered_carrier_date | order_delivered_customer_date | order_estimated_delivery_date | |
|---|---|---|---|---|---|---|---|---|
| 0 | e481f51cbdc54678b7cc49136f2d6af7 | 9ef432eb6251297304e76186b10a928d | delivered | 2017-10-02 10:56:33 | 2017-10-02 11:07:15 | 2017-10-04 19:55:00 | 2017-10-10 21:25:13 | 2017-10-18 |
| 1 | 53cdb2fc8bc7dce0b6741e2150273451 | b0830fb4747a6c6d20dea0b8c802d7ef | delivered | 2018-07-24 20:41:37 | 2018-07-26 03:24:27 | 2018-07-26 14:31:00 | 2018-08-07 15:27:45 | 2018-08-13 |
| 2 | 47770eb9100c2d0c44946d9cf07ec65d | 41ce2a54c0b03bf3443c3d931a367089 | delivered | 2018-08-08 08:38:49 | 2018-08-08 08:55:23 | 2018-08-08 13:50:00 | 2018-08-17 18:06:29 | 2018-09-04 |
Encontramos algunos valores nulos en order_approved_at, order_delivered_carrier_date, order_delivered_customer_date
Evaluar las diferencias entre:
- Hora de compra y pago aprobado
- pago aprobado y despacho
- decpacho y entrega
- entrega real y entrega pactada
diferencias()
La diferencia entre la compra y el pago aprobado es de 0 dias y 10 minutos La diferencia entre el pago aprobado y el despacho es de 2 dias y 19 minutos La diferencia entre el despacho y la entrega es de 9 dias y 7 minutos La diferencia entre la entrega real y la entrega pactada es de 11 dias y 4 minutos
Explorando Productos¶
Este dataset incluye datos sobre los productos vendidos por Olist.
La tabla de Productos comprende las siguientes columnas:
product_id: Identificador unico del producto.
product_category_name: Nombre de la categoria del producto, en portugués.
product_name_length: Número de caracteres extraídos del nombre del producto.
product_description_lenght: Número de caracteres extraídos de la descripción del producto.
product_photos_qty: Número de fotos publicadas por el producto.
product_weight_g: Peso del producto medido en gramos.
product_length_cm: Longitud del producto medida en centímetros.
product height_cm: Altura del producto medida en centímetros.
product_width_cm: Ancho del producto medido en centímetros.
info_productos()
Se tiene un total de 32951 filas y 9 columnas
| product_id | product_category_name | product_name_lenght | product_description_lenght | product_photos_qty | product_weight_g | product_length_cm | product_height_cm | product_width_cm | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 1e9e8ef04dbcff4541ed26657ea517e5 | perfumaria | 40.0 | 287.0 | 1.0 | 225.0 | 16.0 | 10.0 | 14.0 |
| 1 | 3aa071139cb16b67ca9e5dea641aaa2f | artes | 44.0 | 276.0 | 1.0 | 1000.0 | 30.0 | 18.0 | 20.0 |
| 2 | 96bd76ec8810374ed1b65e291975717f | esporte_lazer | 46.0 | 250.0 | 1.0 | 154.0 | 18.0 | 9.0 | 15.0 |
Se encuentran valores nulos en product_category_name,
product_name_lenghty product_description_lenght
Explorando Productos_info¶
Este dataset traduce las categorias de los productos al inglés. Evaluar si lo necesitamos en español. Usar la api de google translate para eso.
La tabla de Productos_info comprende las siguientes columnas:
product_category_name: Nombre de categoría en portugués.
product_name_english: Nombre de categoría en inglés.
info_productos_info()
Se tiene un total de 71 filas y 2 columnas No se encuentran valores nulos
| product_category_name | product_category_name_english | |
|---|---|---|
| 0 | beleza_saude | health_beauty |
| 1 | informatica_acessorios | computers_accessories |
| 2 | automotivo | auto |